--- base_model: intfloat/multilingual-e5-large language: - it library_name: sentence-transformers license: apache-2.0 metrics: - cosine_accuracy@1 - cosine_accuracy@3 - cosine_accuracy@5 - cosine_accuracy@10 - cosine_precision@1 - cosine_precision@3 - cosine_precision@5 - cosine_precision@10 - cosine_recall@1 - cosine_recall@3 - cosine_recall@5 - cosine_recall@10 - cosine_ndcg@10 - cosine_mrr@10 - cosine_map@100 pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:182223 - loss:MatryoshkaLoss - loss:MultipleNegativesRankingLoss widget: - source_sentence: 'Çandahar Çandahar è un comune dell''Azerbaigian situato nel distretto di İsmayıllı. Conta una popolazione di 155 abitanti. Collegamenti esterni Çandahar su GEOnet Names Server Comuni del distretto di İsmayıllı' sentences: - Quali sono i principali dati demografici e territoriali dell'upazila di Lalmohan secondo il censimento del 1991? - Qual è la popolazione del comune di Çandahar? - Cosa è stato associato a uno stato socioeconomico inferiore e a uno stato sociale più elevato in relazione all'uso di alcol, sigarette e droghe ricreative durante la gravidanza? - source_sentence: "New Glasgow\nNew Glasgow è una municipalità (town) del Canada,\ \ situata nella provincia di Nuova Scozia.\n\nAltri progetti\n\nCollegamenti esterni\ \ \n \n\n \n\nMunicipalità della Nuova Scozia" sentences: - Come viene classificata la specie Pteropus rayneri dalla IUCN Red List e quali fattori possono influire sulla sua conservazione? - In quale paese si trova la municipalità di New Glasgow? - Quanti motori e quanti piloti aveva il Morane-Saulnier Type TRK? - source_sentence: 'Embolia Lembolia (o embolismo) è l''ostruzione di un''arteria o di una vena, causata da un corpo estraneo al normale flusso sanguigno, che viene denominato embolo e che può essere un coagulo di sangue, una bolla d''aria o di altri gas, generalmente azoto, o altre formazioni di dimensioni tali da ostruire un vaso arterioso o venoso. Nei casi più gravi in cui essa interessi un''arteria, l''embolia può provocare la morte del soggetto colpito per ischemia cerebrale, polmonare o cardiaca. Per l''embolia da coaguli ematici, che è il tipo più frequente di embolia, vedi trombosi. Classificazione L''embolia viene classificata sia in base all''apparato colpito che al tipo di corpo estraneo coinvolto. A seconda del fattore coinvolto si parla di: embolia gassosa, quando l''embolo sia causato da una bolla di gas (ad.es.: azoto). A tale tipo di embolia è particolarmente esposto chi pratichi immersioni subacquee; infatti, nel caso in cui non vengano rispettati i tempi di decompressione, l''improvvisa variazione di pressione può portare alla formazione di bolle d''azoto nel circolo sanguigno. Analogamente, la stessa cosa può succedere nel caso di volo ad alta quota in una cabina non pressurizzata. In generale comunque, eccezion fatta per i casi succitati, l''embolia gassosa è un evento molto raro. embolia lipidica (chiamata anche liquida, adiposa o grassosa o sindrome lipido-embolica), quando l''embolo è costituito da un ammasso di grasso. I lipidi infatti essendo idrofobici e quindi insolubuli nel sangue idrofilo si dispongono a formare una micella che può provocare l''ostruzione del vaso. Tale embolia si verifica specialmente come effetto collaterale anche tardivo nel caso di eventi traumatici alle ossa del bacino e agli arti inferiori. embolia da liquido amniotico, nelle donne durante la gravidanza può accadere che del liquido amniotico venga spinto nel circolo sanguigno materno. embolia da colesterolo, causata da placche aterosclerotiche all''interno di un vaso sanguigno.' sentences: - In quale città e anno nacque Jean-Baptiste Auriol? - Cosa suggerisce Aldo al protagonista riguardo ai dipinti del Catena e cosa succede successivamente? - Cosa è l'embolia gassosa? - source_sentence: "FireHouse (album)\nFireHouse è il primo album in studio del gruppo\ \ musicale statunitense FireHouse, pubblicato il 7 settembre 1990 dalla Epic Records.\n\ \nIl disco \nL'album è stato certificato doppio disco di platino negli Stati Uniti,\ \ e disco d'oro in Canada, Giappone e Singapore.\n\nVennero estratti i quattro\ \ singoli Shake & Tumble, Don't Treat Me Bad, All She Wrote e la ballata Love\ \ of a Lifetime, diventato il brano più famoso del gruppo.\n\nLa traccia Don't\ \ Walk Away appare in una scena del film The Wrestler diretto da Darren Aronofsky\ \ nel 2008.\n\nIl brano Overnight Sensation è parte della colonna sonora del videogioco\ \ Brütal Legend.\n\nTracce\n\nFormazione\n C.J. Snare – voce, tastiere\n Bill\ \ Leverty – chitarre\n Perry Richardson – basso\n Michael Foster – batteria, percussioni\n\ \nClassifiche\n\nNote\n\nCollegamenti esterni" sentences: - Quando è stato pubblicato l'album FireHouse e quale disco ha ottenuto nella certificazione degli Stati Uniti? - Chi ha scritto la sceneggiatura del film 'Oggi a me... domani a te'? - Chi è Marco Andreolli? - source_sentence: 'Precipitine sieriche contro i microbi nel fieno ammuffito rispetto all''età, al sesso, all''atopia e al fumo degli agricoltori.Questo studio si è basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056 agricoltori finlandesi. I dati sono stati raccolti in un''indagine postale condotta dall''Istituto di previdenza sociale della Finlandia. Campioni di siero per la determinazione degli anticorpi precipitanti sono stati prelevati presso i centri sanitari locali. Le precipitazioni sono state determinate con il metodo della micropiastra diffusione immunitaria. Il pannello dell''antigene era costituito da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi sono state rilevate nell''8,6% dei sieri. Le cause più comuni di test di precipitina positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda con i risultati precedenti riportati dalla Finlandia In generale, le precipitine erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati dovrebbero essere controllati rispetto all''età, al sesso e al fumo. ' sentences: - Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle precipitine nel siero degli agricoltori? - Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono simili nonostante la transizione conformazionale pH-dipendente delle proteine bovina e suina? - Quali due canzoni vengono eseguite dopo il monologo 'Eva e la bambola'? model-index: - name: ReDiX/multilingual-e5-large results: - task: type: information-retrieval name: Information Retrieval dataset: name: dim 1024 type: dim_1024 metrics: - type: cosine_accuracy@1 value: 0.7948439352034768 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9205353615171868 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9347096009482418 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9473528249703674 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.7948439352034768 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.306845120505729 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.1869419201896484 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09473528249703676 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.7948439352034768 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.9205353615171868 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9347096009482418 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9473528249703674 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.8817864955582441 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.8596923348886538 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.8610794523479144 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 768 type: dim_768 metrics: - type: cosine_accuracy@1 value: 0.7927696562623469 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9198933227973133 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9340675622283683 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9465626234689846 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.7927696562623469 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.3066311075991044 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.18681351244567365 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09465626234689846 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.7927696562623469 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.9198933227973133 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9340675622283683 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9465626234689846 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.8805084163364723 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.8582397124858148 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.8596200861512284 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 512 type: dim_512 metrics: - type: cosine_accuracy@1 value: 0.7921770051363097 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9187574081390755 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9316475701303832 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9446858949032003 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.7921770051363097 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.30625246937969175 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.18632951402607667 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09446858949032005 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.7921770051363097 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.9187574081390755 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9316475701303832 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9446858949032003 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.8792920452275124 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.857240476033695 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.858646487778512 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 256 type: dim_256 metrics: - type: cosine_accuracy@1 value: 0.7871394705649941 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9129296720663769 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9268075859344133 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9414263137099961 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.7871394705649941 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.3043098906887923 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.18536151718688268 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09414263137099962 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.7871394705649941 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.9129296720663769 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9268075859344133 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9414263137099961 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.8746513367400706 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.8522241075740239 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.8536655855801353 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 128 type: dim_128 metrics: - type: cosine_accuracy@1 value: 0.777903990517582 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.904632556301857 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.9177696562623469 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.9329316475701304 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.777903990517582 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.3015441854339523 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.1835539312524694 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09329316475701306 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.777903990517582 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.904632556301857 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.9177696562623469 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.9329316475701304 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.865788698082033 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.8432427384558511 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.8449138896139231 name: Cosine Map@100 - task: type: information-retrieval name: Information Retrieval dataset: name: dim 64 type: dim_64 metrics: - type: cosine_accuracy@1 value: 0.7547905966021335 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.8831983405768471 name: Cosine Accuracy@3 - type: cosine_accuracy@5 value: 0.8993480837613591 name: Cosine Accuracy@5 - type: cosine_accuracy@10 value: 0.918016594231529 name: Cosine Accuracy@10 - type: cosine_precision@1 value: 0.7547905966021335 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.294399446858949 name: Cosine Precision@3 - type: cosine_precision@5 value: 0.17986961675227184 name: Cosine Precision@5 - type: cosine_precision@10 value: 0.09180165942315291 name: Cosine Precision@10 - type: cosine_recall@1 value: 0.7547905966021335 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.8831983405768471 name: Cosine Recall@3 - type: cosine_recall@5 value: 0.8993480837613591 name: Cosine Recall@5 - type: cosine_recall@10 value: 0.918016594231529 name: Cosine Recall@10 - type: cosine_ndcg@10 value: 0.8459093589204112 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.821874039685682 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.8238103416018093 name: Cosine Map@100 --- # ReDiX/multilingual-e5-large This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the data dataset. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - data - **Language:** it - **License:** apache-2.0 ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) (2): Normalize() ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("mik3ml/multilingual-e5-large-ita") # Run inference sentences = [ "Precipitine sieriche contro i microbi nel fieno ammuffito rispetto all'età, al sesso, all'atopia e al fumo degli agricoltori.Questo studio si è basato su un campione di 3.065 agricoltori su una popolazione più ampia di 12.056 agricoltori finlandesi. I dati sono stati raccolti in un'indagine postale condotta dall'Istituto di previdenza sociale della Finlandia. Campioni di siero per la determinazione degli anticorpi precipitanti sono stati prelevati presso i centri sanitari locali. Le precipitazioni sono state determinate con il metodo della micropiastra diffusione immunitaria. Il pannello dell'antigene era costituito da antigeni miceliali di Micropolyspora faeni, Thermoactinomyces vulgaris, Aspergillus fumigatus e Aspergillus umbrosus. Precipitine a uno qualsiasi dei quattro microbi sono state rilevate nell'8,6% dei sieri. Le cause più comuni di test di precipitina positivi erano Aspergillus umbrosus e Thermoactinomyces vulgaris, che concorda con i risultati precedenti riportati dalla Finlandia In generale, le precipitine erano più prevalenti tra le donne, il che corrisponde alle tradizioni culturali locali e negli agricoltori più anziani. La prevalenza delle precipitine non differiva tra i soggetti non atopici e atopici (definiti come coesistenza passata o presente di dermatite atopica inclusi eczema infantile e/o febbre da fieno o altre riniti allergiche). Al contrario, la prevalenza delle precipitine era circa 1,5-2 volte maggiore tra i non fumatori rispetto ai fumatori, il che conferma i risultati dei rapporti precedenti. Negli studi futuri sulla presenza di precipitine, i dati dovrebbero essere controllati rispetto all'età, al sesso e al fumo. ", 'Quali sono i quattro microbi che sono stati utilizzati per la determinazione delle precipitine nel siero degli agricoltori?', 'Le strutture tricline delle proteine bovine a basso pH e ovine ad alto pH sono simili nonostante la transizione conformazionale pH-dipendente delle proteine bovina e suina?', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 1024] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Evaluation ### Metrics #### Information Retrieval * Datasets: `dim_1024`, `dim_768`, `dim_512`, `dim_256`, `dim_128` and `dim_64` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | dim_1024 | dim_768 | dim_512 | dim_256 | dim_128 | dim_64 | |:--------------------|:-----------|:-----------|:-----------|:-----------|:-----------|:-----------| | cosine_accuracy@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 | | cosine_accuracy@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 | | cosine_accuracy@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 | | cosine_accuracy@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 | | cosine_precision@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 | | cosine_precision@3 | 0.3068 | 0.3066 | 0.3063 | 0.3043 | 0.3015 | 0.2944 | | cosine_precision@5 | 0.1869 | 0.1868 | 0.1863 | 0.1854 | 0.1836 | 0.1799 | | cosine_precision@10 | 0.0947 | 0.0947 | 0.0945 | 0.0941 | 0.0933 | 0.0918 | | cosine_recall@1 | 0.7948 | 0.7928 | 0.7922 | 0.7871 | 0.7779 | 0.7548 | | cosine_recall@3 | 0.9205 | 0.9199 | 0.9188 | 0.9129 | 0.9046 | 0.8832 | | cosine_recall@5 | 0.9347 | 0.9341 | 0.9316 | 0.9268 | 0.9178 | 0.8993 | | cosine_recall@10 | 0.9474 | 0.9466 | 0.9447 | 0.9414 | 0.9329 | 0.918 | | **cosine_ndcg@10** | **0.8818** | **0.8805** | **0.8793** | **0.8747** | **0.8658** | **0.8459** | | cosine_mrr@10 | 0.8597 | 0.8582 | 0.8572 | 0.8522 | 0.8432 | 0.8219 | | cosine_map@100 | 0.8611 | 0.8596 | 0.8586 | 0.8537 | 0.8449 | 0.8238 | ## Training Details ### Training Dataset #### data * Dataset: data * Size: 182,223 training samples * Columns: positive and anchor * Approximate statistics based on the first 1000 samples: | | positive | anchor | |:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | positive | anchor | |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------| | Thomas Poulsen


Palmarès

Olimpiadi
1 medaglia:
1 oro ( nel 4 senza pesi leggeri)

Collegamenti esterni | In quale categoria ha vinto la sua unica medaglia olimpica? | | Porta di Saint Denis
La porta di Saint Denis (porte Saint-Denis in francese) è un arco di trionfo situato nel X arrondissement di Parigi, costruito nel 1672 su progetto dall'architetto François Blondel, in onore del re Luigi XIV.
È uno dei monumenti più rappresentativi dell'arte ufficiale della sua epoca, secondo tutte le antologie.

Storia

Con l'espansione urbanistica di Parigi, la cinta muraria di Carlo V del XIV secolo fu sostituita da una barriera affiancata da un viale alberato (boulevard): le porte trionfali prendono, quindi, il posto di quelle fortificate del Medioevo.

La porta di Saint-Denis fu eretta nel 1672, sulla base del progetto di François Blondel, direttore dell'Accademia reale dell'architettura, e dello scultore Michel Anguier su commissione del re Luigi XIV, per celebrare le sue vittorie lungo il Reno, in Franca Contea e nei dintorni della città.

La porta fu costruita al di sopra di un bastione del secolo precedente, in sostituzione di una porta medievale, e si tr... | Quali elementi architettonici e decorativi sono presenti nell'arco di trionfo di Saint Denis? | | Provincia di Venezia
La provincia di Venezia (provincia de Venesia in veneto, provincie di Vignesie in friulano) è stata una provincia italiana del Veneto, sostituita nel 2015 dall'omonima città metropolitana. Storia La provincia fu creata nel 1866, col passaggio all'Italia del Veneto in seguito alla Terza Guerra d'Indipendenza, sostituendo l'omonimo ente amministrativo austriaco. Quest'ultimo aveva a sua volta sostituito il Dipartimento dell'Adriatico napoleonico, che, a differenza delle successive suddivisioni amministrative, comprendeva anche i cantoni friulani (suddivisione amministrativa francese equivalente al mandamento) di Aquileia, Latisana e Portogruaro. Le prime elezioni provinciali si tennero il 23 dicembre 1866. Geografia fisica La provincia di Venezia era sostanzialmente una realtà eterogenea, che univa all'interno di un unico territorio più circondari: Venezia, Chioggia, Cavarzere e Cona, Riviera del Brenta, Miranese, Sandonatese, Portogruarese. La provincia confinava co... | Chi sostituì l'omonimo ente amministrativo austriaco? | * Loss: [MatryoshkaLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: ```json { "loss": "MultipleNegativesRankingLoss", "matryoshka_dims": [ 1024, 768, 512, 256, 128, 64 ], "matryoshka_weights": [ 1, 1, 1, 1, 1, 1 ], "n_dims_per_step": -1 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: epoch - `per_device_train_batch_size`: 32 - `per_device_eval_batch_size`: 16 - `gradient_accumulation_steps`: 16 - `learning_rate`: 2e-05 - `lr_scheduler_type`: cosine - `warmup_ratio`: 0.1 - `bf16`: True - `tf32`: True - `load_best_model_at_end`: True - `optim`: adamw_torch_fused - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: epoch - `prediction_loss_only`: True - `per_device_train_batch_size`: 32 - `per_device_eval_batch_size`: 16 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 16 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 2e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1.0 - `num_train_epochs`: 3 - `max_steps`: -1 - `lr_scheduler_type`: cosine - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.1 - `warmup_steps`: 0 - `log_level`: passive - `log_level_replica`: warning - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `save_safetensors`: True - `save_on_each_node`: False - `save_only_model`: False - `restore_callback_states_from_checkpoint`: False - `no_cuda`: False - `use_cpu`: False - `use_mps_device`: False - `seed`: 42 - `data_seed`: None - `jit_mode_eval`: False - `use_ipex`: False - `bf16`: True - `fp16`: False - `fp16_opt_level`: O1 - `half_precision_backend`: auto - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: True - `local_rank`: 0 - `ddp_backend`: None - `tpu_num_cores`: None - `tpu_metrics_debug`: False - `debug`: [] - `dataloader_drop_last`: False - `dataloader_num_workers`: 0 - `dataloader_prefetch_factor`: None - `past_index`: -1 - `disable_tqdm`: False - `remove_unused_columns`: True - `label_names`: None - `load_best_model_at_end`: True - `ignore_data_skip`: False - `fsdp`: [] - `fsdp_min_num_params`: 0 - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `fsdp_transformer_layer_cls_to_wrap`: None - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} - `deepspeed`: None - `label_smoothing_factor`: 0.0 - `optim`: adamw_torch_fused - `optim_args`: None - `adafactor`: False - `group_by_length`: False - `length_column_name`: length - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `dataloader_pin_memory`: True - `dataloader_persistent_workers`: False - `skip_memory_metrics`: True - `use_legacy_prediction_loop`: False - `push_to_hub`: False - `resume_from_checkpoint`: None - `hub_model_id`: None - `hub_strategy`: every_save - `hub_private_repo`: False - `hub_always_push`: False - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `include_for_metrics`: [] - `eval_do_concat_batches`: True - `fp16_backend`: auto - `push_to_hub_model_id`: None - `push_to_hub_organization`: None - `mp_parameters`: - `auto_find_batch_size`: False - `full_determinism`: False - `torchdynamo`: None - `ray_scope`: last - `ddp_timeout`: 1800 - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `dispatch_batches`: None - `split_batches`: None - `include_tokens_per_second`: False - `include_num_input_tokens_seen`: False - `neftune_noise_alpha`: None - `optim_target_modules`: None - `batch_eval_metrics`: False - `eval_on_start`: False - `use_liger_kernel`: False - `eval_use_gather_object`: False - `prompts`: None - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional
### Training Logs
Click to expand | Epoch | Step | Training Loss | dim_1024_cosine_ndcg@10 | dim_768_cosine_ndcg@10 | dim_512_cosine_ndcg@10 | dim_256_cosine_ndcg@10 | dim_128_cosine_ndcg@10 | dim_64_cosine_ndcg@10 | |:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:| | 0.0281 | 10 | 136.2519 | - | - | - | - | - | - | | 0.0562 | 20 | 93.5635 | - | - | - | - | - | - | | 0.0843 | 30 | 39.1184 | - | - | - | - | - | - | | 0.1124 | 40 | 19.4777 | - | - | - | - | - | - | | 0.1405 | 50 | 10.0755 | - | - | - | - | - | - | | 0.1686 | 60 | 7.4115 | - | - | - | - | - | - | | 0.1967 | 70 | 5.8366 | - | - | - | - | - | - | | 0.2248 | 80 | 5.6908 | - | - | - | - | - | - | | 0.2529 | 90 | 5.6481 | - | - | - | - | - | - | | 0.2809 | 100 | 4.8332 | - | - | - | - | - | - | | 0.3090 | 110 | 5.2106 | - | - | - | - | - | - | | 0.3371 | 120 | 5.2924 | - | - | - | - | - | - | | 0.3652 | 130 | 4.2509 | - | - | - | - | - | - | | 0.3933 | 140 | 4.0525 | - | - | - | - | - | - | | 0.4214 | 150 | 3.7339 | - | - | - | - | - | - | | 0.4495 | 160 | 3.4459 | - | - | - | - | - | - | | 0.4776 | 170 | 3.4454 | - | - | - | - | - | - | | 0.5057 | 180 | 3.5051 | - | - | - | - | - | - | | 0.5338 | 190 | 3.1434 | - | - | - | - | - | - | | 0.5619 | 200 | 3.4567 | - | - | - | - | - | - | | 0.5900 | 210 | 3.7854 | - | - | - | - | - | - | | 0.6181 | 220 | 3.7576 | - | - | - | - | - | - | | 0.6462 | 230 | 3.2254 | - | - | - | - | - | - | | 0.6743 | 240 | 3.5808 | - | - | - | - | - | - | | 0.7024 | 250 | 3.7216 | - | - | - | - | - | - | | 0.7305 | 260 | 2.9924 | - | - | - | - | - | - | | 0.7586 | 270 | 3.4136 | - | - | - | - | - | - | | 0.7867 | 280 | 3.4912 | - | - | - | - | - | - | | 0.8147 | 290 | 3.1589 | - | - | - | - | - | - | | 0.8428 | 300 | 3.1169 | - | - | - | - | - | - | | 0.8709 | 310 | 3.2492 | - | - | - | - | - | - | | 0.8990 | 320 | 3.0045 | - | - | - | - | - | - | | 0.9271 | 330 | 3.424 | - | - | - | - | - | - | | 0.9552 | 340 | 3.0119 | - | - | - | - | - | - | | 0.9833 | 350 | 2.8333 | - | - | - | - | - | - | | 0.9974 | 355 | - | 0.8821 | 0.8805 | 0.8795 | 0.8720 | 0.8617 | 0.8327 | | 1.0114 | 360 | 3.1381 | - | - | - | - | - | - | | 1.0395 | 370 | 2.7908 | - | - | - | - | - | - | | 1.0676 | 380 | 2.5703 | - | - | - | - | - | - | | 1.0957 | 390 | 2.5087 | - | - | - | - | - | - | | 1.1238 | 400 | 2.3044 | - | - | - | - | - | - | | 1.1519 | 410 | 2.0035 | - | - | - | - | - | - | | 1.1800 | 420 | 1.8526 | - | - | - | - | - | - | | 1.2081 | 430 | 1.8608 | - | - | - | - | - | - | | 1.2362 | 440 | 1.6593 | - | - | - | - | - | - | | 1.2643 | 450 | 1.8343 | - | - | - | - | - | - | | 1.2924 | 460 | 1.4608 | - | - | - | - | - | - | | 1.3205 | 470 | 1.4987 | - | - | - | - | - | - | | 1.3486 | 480 | 1.4047 | - | - | - | - | - | - | | 1.3766 | 490 | 1.449 | - | - | - | - | - | - | | 1.4047 | 500 | 1.2679 | - | - | - | - | - | - | | 1.4328 | 510 | 1.3128 | - | - | - | - | - | - | | 1.4609 | 520 | 1.1416 | - | - | - | - | - | - | | 1.4890 | 530 | 1.1702 | - | - | - | - | - | - | | 1.5171 | 540 | 0.875 | - | - | - | - | - | - | | 1.5452 | 550 | 1.1781 | - | - | - | - | - | - | | 1.5733 | 560 | 1.2128 | - | - | - | - | - | - | | 1.6014 | 570 | 1.407 | - | - | - | - | - | - | | 1.6295 | 580 | 1.0243 | - | - | - | - | - | - | | 1.6576 | 590 | 1.2503 | - | - | - | - | - | - | | 1.6857 | 600 | 1.1823 | - | - | - | - | - | - | | 1.7138 | 610 | 0.9505 | - | - | - | - | - | - | | 1.7419 | 620 | 1.1575 | - | - | - | - | - | - | | 1.7700 | 630 | 1.1425 | - | - | - | - | - | - | | 1.7981 | 640 | 1.2302 | - | - | - | - | - | - | | 1.8262 | 650 | 1.2546 | - | - | - | - | - | - | | 1.8543 | 660 | 1.1812 | - | - | - | - | - | - | | 1.8824 | 670 | 1.2926 | - | - | - | - | - | - | | 1.9104 | 680 | 1.2066 | - | - | - | - | - | - | | 1.9385 | 690 | 1.2115 | - | - | - | - | - | - | | 1.9666 | 700 | 1.0249 | - | - | - | - | - | - | | 1.9947 | 710 | 1.1983 | - | - | - | - | - | - | | **1.9975** | **711** | **-** | **0.8836** | **0.8823** | **0.8805** | **0.8752** | **0.8661** | **0.8446** | | 2.0228 | 720 | 0.9967 | - | - | - | - | - | - | | 2.0509 | 730 | 1.0107 | - | - | - | - | - | - | | 2.0790 | 740 | 0.9413 | - | - | - | - | - | - | | 2.1071 | 750 | 0.925 | - | - | - | - | - | - | | 2.1352 | 760 | 0.5456 | - | - | - | - | - | - | | 2.1633 | 770 | 0.6579 | - | - | - | - | - | - | | 2.1914 | 780 | 0.6707 | - | - | - | - | - | - | | 2.2195 | 790 | 0.6353 | - | - | - | - | - | - | | 2.2476 | 800 | 0.5963 | - | - | - | - | - | - | | 2.2757 | 810 | 0.6415 | - | - | - | - | - | - | | 2.3038 | 820 | 0.5406 | - | - | - | - | - | - | | 2.3319 | 830 | 0.6237 | - | - | - | - | - | - | | 2.3600 | 840 | 0.624 | - | - | - | - | - | - | | 2.3881 | 850 | 0.6492 | - | - | - | - | - | - | | 2.4162 | 860 | 0.5391 | - | - | - | - | - | - | | 2.4442 | 870 | 0.5127 | - | - | - | - | - | - | | 2.4723 | 880 | 0.4845 | - | - | - | - | - | - | | 2.5004 | 890 | 0.4985 | - | - | - | - | - | - | | 2.5285 | 900 | 0.3705 | - | - | - | - | - | - | | 2.5566 | 910 | 0.6361 | - | - | - | - | - | - | | 2.5847 | 920 | 0.5917 | - | - | - | - | - | - | | 2.6128 | 930 | 0.7143 | - | - | - | - | - | - | | 2.6409 | 940 | 0.4301 | - | - | - | - | - | - | | 2.6690 | 950 | 0.596 | - | - | - | - | - | - | | 2.6971 | 960 | 0.5491 | - | - | - | - | - | - | | 2.7252 | 970 | 0.4395 | - | - | - | - | - | - | | 2.7533 | 980 | 0.5665 | - | - | - | - | - | - | | 2.7814 | 990 | 0.6238 | - | - | - | - | - | - | | 2.8095 | 1000 | 0.673 | - | - | - | - | - | - | | 2.8376 | 1010 | 0.6221 | - | - | - | - | - | - | | 2.8657 | 1020 | 0.8164 | - | - | - | - | - | - | | 2.8938 | 1030 | 0.6686 | - | - | - | - | - | - | | 2.9219 | 1040 | 0.8187 | - | - | - | - | - | - | | 2.9500 | 1050 | 0.5303 | - | - | - | - | - | - | | 2.9781 | 1060 | 0.6483 | - | - | - | - | - | - | | 2.9921 | 1065 | - | 0.8818 | 0.8805 | 0.8793 | 0.8747 | 0.8658 | 0.8459 | * The bold row denotes the saved checkpoint.
### Framework Versions - Python: 3.10.12 - Sentence Transformers: 3.3.0 - Transformers: 4.46.1 - PyTorch: 2.5.1+cu124 - Accelerate: 1.0.1 - Datasets: 3.0.2 - Tokenizers: 0.20.0 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @inproceedings{reimers-2019-sentence-bert, title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2019", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/1908.10084", } ``` #### MatryoshkaLoss ```bibtex @misc{kusupati2024matryoshka, title={Matryoshka Representation Learning}, author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi}, year={2024}, eprint={2205.13147}, archivePrefix={arXiv}, primaryClass={cs.LG} } ``` #### MultipleNegativesRankingLoss ```bibtex @misc{henderson2017efficient, title={Efficient Natural Language Response Suggestion for Smart Reply}, author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil}, year={2017}, eprint={1705.00652}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```